Investigadores de la Udelar compararon los tres chatbots con pacientes reales
Tres sistemas de inteligencia artificial –ChatGPT, Claude y Gemini– acertaron el diagnóstico en hasta nueve de cada diez casos reales de enfermedades infecciosas analizados por médicos uruguayos. Pero el propio estudio aclara que estas herramientas sirven como apoyo del médico, no como reemplazo.
El trabajo fue publicado en la Revista Médica del Uruguay por Líber Fernández y Julio Medina, de la Unidad Académica de Enfermedades Infecciosas de la Facultad de Medicina de la Udelar. Usaron 100 historias clínicas reales y anonimizadas de adultos atendidos entre 2016 y 2025 en el Hospital de Clínicas y en el Instituto Nacional de Ortopedia y Traumatología (INOT).
ChatGPT llegó al diagnóstico correcto en 90 casos, Claude en 87 y Gemini en 90. Según los autores, la diferencia entre los tres no es estadísticamente significativa: en la práctica, aciertan de forma parecida.
La prueba buscó imitar el uso cotidiano de un médico. Se usaron las versiones gratuitas de cada chatbot, entre abril y diciembre de 2025. Primero se le pidió a la IA que actuara como infectólogo y después se le cargó el texto de ingreso del paciente, sin las hipótesis que había planteado el equipo médico.
A partir de ahí, la IA proponía posibles diagnósticos y pedía estudios. Los investigadores le pasaban los resultados de esos análisis y de los informes de imágenes, y recién entonces el sistema emitía un diagnóstico definitivo.
Los casos no fueron sencillos: 55 eran de complejidad alta y 37 de complejidad moderada. Incluían infecciones del sistema nervioso central, infecciones abdominales, tuberculosis, endocarditis y cuadros menos frecuentes como leptospirosis o paludismo.
Según el estudio, trabajos anteriores basados en casos simulados habían reportado aciertos de entre 70% y 80%. Los autores atribuyen la mejora a la evolución de los modelos y a que la IA fue recibiendo información en etapas, como ocurre en una consulta real.
Acertar el diagnóstico no lo es todo. Los investigadores también puntuaron cómo razonó cada IA: si ordenó bien los datos, si pidió estudios justificados, si inventó información o si sugirió pruebas innecesarias o riesgosas.
Ahí sí hubo diferencias. ChatGPT obtuvo en promedio 87,85 puntos sobre 100, Claude 85,50 y Gemini 82,75. Gemini quedó por debajo de los otros dos, con respuestas más extensas y más penalizaciones por daño potencial, es decir, por recomendar estudios o intervenciones que podían perjudicar al paciente.
Los autores advierten que el desempeño de estas herramientas varía según cómo el usuario formule sus consultas: “el rendimiento de los LLM no es una propiedad fija del modelo”, señalan. Por eso remarcan que toda información generada por IA en la atención médica necesita verificación profesional.
El estudio también reconoce límites: los sistemas de puntaje fueron diseñados para este trabajo y no están validados, y no fue posible saber qué versión exacta de cada IA respondió en cada consulta. Para los investigadores, cualquier avance en este campo debe garantizar al profesional como decisor final.
